本文介绍了一种基于递归神经网络（RNN）的神经元群体动态行为的建模方法，该方法经过 macaque 大脑皮层的四个数据集的测试，效果较其他模型更好，其中，RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外，提出了一个新的混合架构，将 RNN 与自我关注补充在一起，从而进一步提高性能。

Apr, 2023

探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。

Jun, 2014

使用无监督方法从脑内活体神经元跟踪中学习动态亲和力，揭示神经元在不同时间形成的群体互动，进而构建动态功能连接图。

Feb, 2024

基于自注意力机制的大型语言模型在语言处理和自然语言本身中取得了惊人的成绩，并且在不同性质的各种任务中也取得了成绩。本文在预测编码框架内提出了一个平均场学习模型，成功地验证了其在分类手写数字和玩具以及真实语言语料库中的有效性。因此，我们的模型为研究语言处理和意想不到的普遍智能的物理和生物对应关系提供了一个起点。

Sep, 2023

我们提出了一种基于广义线性（混合）模型的基于模型的聚类方法，用于描述网络人口的联合分布并识别共享某些感兴趣的拓扑性质的网络子人口，最大似然估计可通过 EM 算法实现。

Jun, 2018

神经元的高度变化动力学，提出了一种基于自监督学习的方法，通过对种群记录进行置换和不变总结对个体神经元赋予时间不变性表示，对神经元活动进行动力学建模，可实现对转录组标签的预测，大约提升了 35% 的预测转录组亚类别的准确性，并且相对于最先进的方法提高了 20% 的类别预测准确性。

Nov, 2023

我们通过对于耦合的人工神经网络系统中集体学习的出现进行解析，引入了一个最小模型，通过考虑每个神经网络单元参数的本地学习动态和单元之间的扩散耦合之间的竞争来凝结几个最近的分散算法。

Oct, 2023

近期神经计算领域的研究取得了长足的进展，在神经元计算和脉冲神经网络的结合中采用了 Winner Take All (WTA) 电路作为一个符合神经生物学可行性的信息处理模型。然而，关于如何将这些网络的随机响应最佳转化为离散决策的过程，即人口解码，研究人员尚未达成共识。我们的研究表明，人口解码对 WTA 网络的分类性能有重要影响。为了验证这一点，我们将 WTA 网络应用于使用来自癌症基因组图谱 (TCGA) 数据集的多组学数据进行癌症亚型诊断问题，并使用基于 Kohoens 自组织映射算法的基因相似性网络的新型特征编码技术。我们进一步表明，在面对不平衡数据集时，选择特定的人口解码方法会放大影响。

Jan, 2024

本研究引入了一类通用的均场相互作用非线性 Hawkes 过程，用于模拟两个神经元群体（一个兴奋性和一个抑制性）之间的相互作用。模型包括抑制和基于回馈的增量，探讨系统的确切性和长期行为分析，发现抑制和反馈的作用可能导致限制循环的出现。

May, 2021

本文介绍了一种基于掩蔽卷积的生成式流模型 (MaCow)，通过对小卷积核的本地连接进行限制，实现快速而稳定的训练和高效的采样，显著提高了标准图像基准测试的密度估计性能，极大地缩小了与自回归模型之间的差距。

Feb, 2019